[發(fā)明專利]數(shù)據(jù)預(yù)測優(yōu)化方法、裝置、設(shè)備及可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201911042922.8
• 申請日: 2019-10-30
• 公開（公告）號: CN110942086A
• 公開（公告）日: 2020-03-31
• 發(fā)明（設(shè)計）人: 楊冬艷;王智浩
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N3/04
• 代理公司: 北京市京大律師事務(wù)所 11321
• 代理人: 劉挽瀾

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，公開了一種數(shù)據(jù)預(yù)測優(yōu)化方法，包括以下步驟：利用同一訓(xùn)練樣本分別對多個初始待訓(xùn)練模型進(jìn)行預(yù)測訓(xùn)練，得到待訓(xùn)練模型集合；通過預(yù)置疊加算法對待訓(xùn)練模型集合的中的待訓(xùn)練模型按照預(yù)置權(quán)重進(jìn)行疊加，得到預(yù)置候選模型集；判斷預(yù)置候選模型集中的預(yù)置候選模型是否滿足預(yù)置評分標(biāo)準(zhǔn)；若是，則得到所述滿足預(yù)置評分標(biāo)準(zhǔn)的預(yù)置候選模型以及使用所述預(yù)置候選模型進(jìn)行預(yù)測，若否，則調(diào)節(jié)預(yù)置候選模型集中待訓(xùn)練模型所占的預(yù)置權(quán)重。本發(fā)明還公開了一種數(shù)據(jù)預(yù)測優(yōu)化裝置、設(shè)備及計算機(jī)可讀存儲介質(zhì)。本發(fā)明提供的數(shù)據(jù)預(yù)測優(yōu)化方法解決了現(xiàn)有的模型預(yù)測能力低的技術(shù)問題。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種數(shù)據(jù)預(yù)測優(yōu)化方法、裝置、設(shè)備及計算機(jī)可讀存儲介質(zhì)。

背景技術(shù)

目前，現(xiàn)有技術(shù)中的機(jī)器學(xué)習(xí)服務(wù)平臺所生成的模型的數(shù)量及類型是有限的，只能生成主流模型，所以應(yīng)用場景比較局限，另外，在平臺生成新模型后，則直接使用新模型對實際場景下的需求進(jìn)行預(yù)測，沒有對新模型進(jìn)一步優(yōu)化，新模型難以適應(yīng)各種復(fù)雜場景。因此，現(xiàn)有技術(shù)中機(jī)器學(xué)習(xí)服務(wù)平臺所生成的模型很難適應(yīng)各種復(fù)雜的實景場景，使得模型預(yù)測受應(yīng)用場景的限制，模型的預(yù)測能力降低，由于待預(yù)測數(shù)據(jù)來自于不同的實際場景，而單一的模型很難對不同實際場景下的待預(yù)測數(shù)據(jù)進(jìn)行預(yù)測，其根本原因是模型的預(yù)測能力低，這樣會造成預(yù)測結(jié)果的準(zhǔn)確率降低，因此，如何對現(xiàn)有的模型進(jìn)行處理或改進(jìn)，以提高模型對待預(yù)測數(shù)據(jù)的預(yù)測能力，是目前本領(lǐng)域亟待解決的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種數(shù)據(jù)預(yù)測優(yōu)化方法、裝置、設(shè)備及計算機(jī)可讀存儲介質(zhì)，旨在解決傳統(tǒng)預(yù)測模型對數(shù)據(jù)預(yù)測能力較低的技術(shù)問題。

為實現(xiàn)上述目的，本發(fā)明提供一種數(shù)據(jù)預(yù)測優(yōu)化方法，所述數(shù)據(jù)預(yù)測優(yōu)化方法包括以下步驟：

利用同一訓(xùn)練樣本分別對多個初始待訓(xùn)練模型進(jìn)行預(yù)測訓(xùn)練，得到待訓(xùn)練模型集合，所述待訓(xùn)練模型集合至少包括兩個待訓(xùn)練模型，其中，所述模型至少包括：分布式的監(jiān)督機(jī)器學(xué)習(xí)模型、分布式的無監(jiān)督機(jī)器學(xué)習(xí)模型和增強(qiáng)學(xué)習(xí)模型RL,所述分布式的監(jiān)督機(jī)器學(xué)習(xí)模型包括：聚類模型和離散點檢測模型，所述分布式的無監(jiān)督機(jī)器學(xué)習(xí)模型包括：主成分分析模型和深度卷積神經(jīng)網(wǎng)絡(luò)模型，所述增強(qiáng)學(xué)習(xí)模型包括：時序差分學(xué)習(xí)模型和Q-learning模型；

通過預(yù)置疊加算法對所述待訓(xùn)練模型集合的中的待訓(xùn)練模型按照預(yù)置權(quán)重進(jìn)行疊加，得到預(yù)置候選模型集，所述預(yù)置候選模型集至少包括兩個預(yù)置候選模型，其中，所述預(yù)置疊加算法至少包括：分類器迭代算法、背景梯度提升回歸算法和對數(shù)提升算法；

判斷所述預(yù)置候選模型集中的預(yù)置候選模型是否滿足預(yù)置評分標(biāo)準(zhǔn)；

若所述預(yù)置候選模型集中的預(yù)置候選模型滿足預(yù)置評分標(biāo)準(zhǔn)，則得到所述滿足預(yù)置評分標(biāo)準(zhǔn)的預(yù)置候選模型，若所述預(yù)置候選模型集中的預(yù)置候選模型不滿足預(yù)置評分標(biāo)準(zhǔn)，則調(diào)節(jié)預(yù)置候選模型集中待訓(xùn)練模型所占的預(yù)置權(quán)重，直至所述預(yù)置候選模型集中的預(yù)置候選模型滿足預(yù)置評分標(biāo)準(zhǔn)；

將滿足預(yù)置評分標(biāo)準(zhǔn)的預(yù)置候選模型作為目標(biāo)優(yōu)化模型；

通過所述目標(biāo)優(yōu)化模型對待預(yù)測數(shù)據(jù)進(jìn)行預(yù)測，得到預(yù)測結(jié)果。

可選地，所述利用同一訓(xùn)練樣本分別對多個初始待訓(xùn)練模型進(jìn)行預(yù)測訓(xùn)練，得到待訓(xùn)練模型集合包括以下步驟：

通過預(yù)先設(shè)置的自動化部署腳本將多個算法部署至預(yù)置機(jī)器學(xué)習(xí)算法包內(nèi)，其中，所述算法至少包括：分布式的監(jiān)督機(jī)器學(xué)習(xí)算法、分布式的無監(jiān)督機(jī)器學(xué)習(xí)算法和增強(qiáng)學(xué)習(xí)算法,所述分布式的監(jiān)督機(jī)器學(xué)習(xí)算法包括：聚類算法，所述分布式的無監(jiān)督機(jī)器學(xué)習(xí)算法包括：主成分分析算法和深度卷積神經(jīng)網(wǎng)絡(luò)算法，所述增強(qiáng)學(xué)習(xí)算法包括：時序差分學(xué)習(xí)算法和Q-learning算法；

通過預(yù)置API接口調(diào)用所述預(yù)置機(jī)器學(xué)習(xí)算法包內(nèi)的多個算法，并通過同一訓(xùn)練樣本分別對由所述多個算法和同一場景數(shù)據(jù)構(gòu)建的多個初始待訓(xùn)練模型進(jìn)行預(yù)測訓(xùn)練，得到待訓(xùn)練模型集合。